[發明專利]多網絡模型訓練方法、圖像標注方法和人臉圖像識別方法

有效

• 申請號: 202011420807.2
• 申請日: 2020-12-08
• 公開（公告）號: CN112200173B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 王軍;劉昱赤;杜航;石海林
• 申請（專利權）人: 北京沃東天駿信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京衛智暢科專利代理事務所(普通合伙) 11557
• 代理人: 陳佳

1.一種多網絡模型的訓練方法，包括：

獲取樣本集中的樣本組，其中，所述樣本集中的樣本包括樣本圖像以及與樣本圖像對應的標簽；

對于所述多網絡模型中的每個網絡，去除所述樣本組中所述網絡對應的噪聲樣本，生成所述網絡對應的有效樣本組；

基于所述有效樣本組，確定所述網絡的訓練樣本集；

將訓練后的多網絡模型中的各個網絡確定為訓練后的多網絡模型，其中，所述訓練后的多網絡模型中的網絡是基于對應訓練樣本集訓練得到的。

2.根據權利要求1所述的方法，其中，所述網絡對應的噪聲樣本通過以下步驟確定：

將所述樣本組輸入所述網絡，確定所述網絡的損失值組；

從所述樣本組中按照損失值從高到低的順序選擇α個樣本作為所述網絡對應的噪聲樣本，其中，數值α是基于所述樣本集的噪聲率確定的，所述數值α小于或等于所述樣本組中樣本的數目。

3.根據權利要求2所述的方法，其中，所述樣本集的噪聲率通過以下步驟確定：

對所述樣本集進行聚類，得到類集合；

基于所述類集合，確定類內距離集合；

確定與所述類內距離集合相關聯的高斯混合模型的參數；

基于所述高斯混合模型的參數，確定與所述樣本集相關聯的噪聲率。

4.根據權利要求2所述的方法，其中，所述基于所述有效樣本組，確定所述網絡的訓練樣本集，包括：

基于所述各個網絡分別對應的有效樣本組的交集，確定第一有效樣本子組；

基于所述樣本組、所述第一有效樣本子組、所述各個網絡對應的噪聲樣本，確定所述各個網絡分別對應的第二有效樣本子組。

5.根據權利要求4所述的方法，其中，所述多網絡模型包括M個網絡，數值M為正整數；以及

所述基于所述有效樣本組，確定所述網絡的訓練樣本集，包括：

將所述多網絡模型中的網絡排列成環形，得到環形網絡序列；

將所述環形網絡序列中每個網絡對應的第二有效樣本子組的樣本依照預先設定的方向傳遞至所述環形網絡序列中的β個網絡，其中，數值β小于或等于所述數值M。

6.根據權利要求5所述的方法，其中，所述基于所述有效樣本組，確定所述網絡的訓練樣本集，包括：

對于所述環形網絡序列中的每個網絡，執行如下處理步驟：

基于接收到的其它網絡傳遞來的第二有效樣本子組，確定所述網絡接收到的樣本的重復次數；

從所述接收到的樣本中按照重復次數從高到低的順序選擇γ數目個樣本作為候選樣本子集，其中，數值γ是基于所述噪聲率確定的，所述數值γ為正整數；

將所述候選樣本子集和所述第一有效樣本子組確定為所述網絡的訓練樣本集，其中，所述訓練樣本集中訓練樣本的數目小于或等于所述有效樣本組中有效樣本的數目。

7.根據權利要求6所述的方法，其中，所述基于所述有效樣本組，確定所述網絡的訓練樣本集，包括：

對于所述環形網絡序列中的每個網絡，采用第一損失函數確定所述第一有效樣本子組對應的損失值組，采用第二損失函數確定接收到的候選樣本子集對應的損失值組。

8.一種圖像標注方法，包括：

獲取待標注圖像樣本；

將所述待標注圖像樣本輸入至多網絡模型中，得到圖像標簽，其中，所述多網絡模型采用如權利要求1-7中任一所述的方法生成。

9.根據權利要求8所述的方法，其中，所述將所述待標注圖像樣本輸入至多網絡模型中，得到圖像標簽，包括：

將所述待標注圖像樣本輸入至所述多網絡模型中的每個網絡以輸出關聯置信度的候選圖像標簽，得到候選圖像標簽集合；

將所述候選圖像標簽集合中置信度最高的候選圖像標簽作為所述待標注圖像樣本的圖像標簽。